TDengine 3.3.6.0版本发布:时序数据库的重大升级
时序数据库TDengine近日发布了3.3.6.0版本,这是一次功能丰富且性能显著提升的重要更新。TDengine作为一款专为物联网、工业互联网等场景设计的高性能时序数据库,在本次更新中引入了多项创新功能和优化改进,进一步巩固了其在时序数据处理领域的领先地位。
核心功能增强
本次版本最引人注目的新特性之一是全面支持Decimal数据类型。Decimal类型能够精确表示高精度数值,特别适合金融、计量等对数据精度要求极高的应用场景。开发团队不仅实现了基础支持,还确保该类型能够在Rust连接器、Explorer工具等全生态链中无缝使用。
在数据管理方面,3.3.6.0版本引入了超级表级别的数据保留策略控制。通过KEEP参数,用户现在可以针对单个超级表设置其时间序列数据的保留周期,这为多租户环境下的精细化管理提供了极大便利。同时,磁盘空间管理也更加灵活,minFreeDiskSize参数的最大值已提升至2TB,满足大规模数据存储需求。
性能优化与稳定性提升
查询性能方面,新版本对标签分组(group by tag)查询和降采样查询进行了深度优化。通过改进算法和缓存机制,这些常见时序查询场景的响应速度得到了显著提升。特别值得一提的是,自动建表写入性能的优化,使得高并发写入场景下的吞吐量大幅提高。
在流计算引擎方面,3.3.6.0版本引入了多项增强功能:新增了continue_window_close触发模式,支持为事件窗口和状态窗口设置最小持续时间限制,并增加了窗口事件通知机制。这些改进使得流处理更加灵活和可靠。同时,流计算现在也支持虚拟表,进一步扩展了应用场景。
企业级功能强化
对于企业用户,新版本在多级存储、双副本集群等方面进行了重要增强。数据文件在多磁盘间的分布更加均衡,显著提升了存储效率。双副本集群的恢复机制得到优化,新增了"assign leader"命令,有效解决了高WAL版本节点无法启动时的集群恢复问题。
备份功能也获得了S3存储支持,用户现在可以将数据直接备份到S3兼容的存储系统中。同时,新增的持久化缓存机制确保了数据的完整性,为企业级数据可靠性提供了额外保障。
开发者体验改进
为提升开发者体验,3.3.6.0版本在多个方面进行了优化。SQL语法方面新增了greatest和least函数,提供了regexp作为match操作符的别名,增强了SQL表达力。STMT接口经过重构后,查询和写入性能得到显著提升。
连接器生态也获得全面增强:JDBC驱动支持了高效写入模式;WebSocket接口新增了taos_validate_sql功能;所有组件现在都支持包含特殊字符的长密码(最长255字符)。特别是新增的虚拟表功能,为特殊数据源的集成提供了标准化接口。
运维与管理工具
新版本在运维便利性上也有显著提升。show disk_info命令的输出更加准确直观,新增了百分比显示压缩率。通过show vnodes命令可以监控vnode恢复进度,便于运维人员掌握系统状态。
值得一提的是,企业版中新增了inspect工具,为系统健康检查和问题诊断提供了专业支持。安装脚本也进行了优化,支持使用-e参数进行静默卸载,简化了部署流程。
兼容性与问题修复
在兼容性方面,3.3.6.0版本改进了taosc的兼容性,确保新旧版本间的平滑过渡。同时修复了包括内存泄漏、查询结果异常、Windows平台稳定性等在内的多个问题,提升了整体可靠性。
总的来说,TDengine 3.3.6.0版本在功能丰富性、性能表现和系统稳定性方面都达到了新的高度,为时序数据管理提供了更加强大和可靠的解决方案。无论是物联网设备监控、工业互联网数据分析,还是金融时序数据处理,新版本都能提供卓越的支持。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00